高炉炼铁参数预测及电力优化控制模型研究

第一章 绪论

1.1 课题的研究背景与意义

进入 21 世纪以来，特别是在世界大环境和全球金融危机的影响下，我国钢铁行业也发生了巨大的变化。2015 年，我国粗钢产量为 8.04 亿吨，改革开放以来首次出现负增长，比 2014 年下降 2.3 个百分点。其中，我国北方地区的粗钢产量都有所下降，山东、河南等地区粗钢产量缓慢增长。进入 2016 年，随着结构性改革加快，国民经济增长缓慢，钢铁消费需求预计将会持续收缩[1]。

在这种情况下，钢铁企业作为耗能大户，实行优化生产、节能降耗已经到了刻不容缓的地步。我国政府在“十三五规划”中也明确提出：节能减排既是本阶段工业发展的中心任务，也是可持续发展的必然要求。钢铁行业作为整个国民经济中能源消耗较大的产业,节能减排的潜力较大,尤其是高炉炼铁过程作为钢铁工业最主要的能源消耗工序,更是承担了节能减排的重大任务[2]。在钢铁企业中，整个铁前系统能耗约占钢铁企业能耗总量的 70% ，而高炉炼铁在铁前系统中的能耗占炼铁工序能耗的 60%左右。

由此可知，高炉炼铁在钢铁企业能耗中所占比例非常之大，因此，钢铁企业的节能降耗工作重点从高炉入手最为有效。针对高炉炼铁参数预测和优化控制模型的研究,首先对高炉炼铁过程中的入炉焦比、铁水温度和铁水产量等关键参数进行合理预测，其次是在关键参数的预测模型的基础上来建立高炉炼铁多目标优化控制模型，合理进行能源管理和优化调度，最终实现钢铁企业节能减排的目的。

.........

1.2 国内外研究现状及存在问题

针对高炉炼铁焦比预测问题，近年来，相关学者开展了各种分析和研究。从机理模型构建到人工智能算法应用，都体现对高炉炼铁入炉焦比预测的重视。郝晓静[4]提出了一种确定影响焦比关键因素的方法。该方法首先利用通径分析,对某钢铁厂实际生产数据进行处理,在给定的高炉系统的诸多变量中,利用最小剩余通径系数确定影响目标函数的主要变量因素。然后将诸因素关系处理为直接通径和间接通径,并对其进行了排序,最后，找出了影响指定目标函数:焦比的主要直接通径和间接通径。胡蒙均[5]以某钢铁企业数据为基础,运用三种不同的方法对入炉焦比进行了预测。

分别为：ARMA 模型预测方法，灰色系统分析及预测以和 BP 神经网络。通过三种方法的比较，BP 神经网络模型预测的结果相对准确。范志刚[6]首先对 BP 神经网络算法进行改进研究，主要是添加了惯性项和动态调整步长，然后利用改进后的 BP 神经网络建立高炉炼铁焦比预测模型，实验结果证明,经过训练的 BP 神经网络对高炉焦比有良好的预测效果,其预测误差小于 2%。并根据生产实际探讨了将神经网络和专家系统相结合,实现在线预报的可能性。周洋[7]基于聚类分析和神经网络结合的焦比预测模型。

首先，通过聚类分析将高炉数据集聚划分为几类,分类训练相应的神经网络模型,实现高炉焦比的预测。结果表明,加入聚类分析的神经网络模型在平均绝对误差和平均相对误差都低于普通神经网络。王艳红[8]基于辅料资源运行原理对高炉综合焦比进行分析，提出了一种网络结构为16-20-1 的改进 BP 神经网络高炉预测模型。仿真表明，该模型在对高炉生产数据进行学习后，其预测误差率相对较低，具有一定的准确性和有效性。

.......